通用大模型要「降维打击」具身智能？首个AA-Robotics榜单来了

10月14日，知名大模型评测机构Artificial Analysis把那些在数学、编程等领域表现优异的通用大模型，拉入了一场真实的机器人考试。

在新发布的AA-Robotics v0.1评测中，GPT、Claude、Gemini等前沿模型需控制真实机械臂，完成倒水、写字、搭积木等八项任务，比拼“动手能力”。

结果，大模型们刚一上阵就闹出不少笑话。一台机械臂花了十几分钟，终于将几块泡沫积木搭成一座合格高塔。指挥它的GPT-6.1 Sol明明已完成任务，却仍不肯停手，继续调整积木，结果反而让这项任务以失败告终。

这只是此次机器人考试中颇具戏剧性的一幕。

首批结果同样充满反差：GPT-6 Astra排名第一，通用大模型已能借助编程Agent操控真实机械臂；但它们完成一项任务平均需要约半小时，比人类基线慢了近两个数量级。

这份成绩单，也让机器人行业最近的一场争论有了新讨论依据：随着通用大模型越来越强，具身智能公司专门训练的“机器人大脑”，究竟还有多少不可替代的价值？

上个月，GPT-6 Astra控制机械臂画金门大桥、抓取积木、模仿人类操作的视频接连刷屏。一台售价约150美元的机械臂，在Astra的控制下，竟能根据摄像头画面自主规划动作，一笔笔画出金门大桥。

更有说服力的实验来自RoboCurve。在其实机测试中，Astra控制双机械臂，把红色积木放进碗里，20次成功了19次。这样的成绩，让不少人开始追问：既然通用大模型已懂视觉、空间、推理，还能编写控制代码，机器人公司为什么还要投入大量时间和金钱，从头训练自己的VLA模型？有人甚至提出，机器人领域的OpenAI，可能就是OpenAI自己。

但身处具身智能行业的人，并不完全买账。

9月10日的外滩大会上，自变量机器人创始人王潜谈到这种“降维打击”的说法时，判断目前可能性不大。他的理由是，模型的能力来自数据。编程模型变强，背后有大量代码数据和成熟的验证体系；机器人面对的物理世界，同样需要专门的数据、评测、硬件与基础设施，不会因为语言模型强大就自动解决。王潜还提到，Astra并非与机器人数据完全绝缘。因此，通用模型能控制机械臂，并不能简单理解为语言能力自然迁移到了物理世界。

破壳机器人创始人许华哲也动手试过Astra。它能识别桌面物品，甚至抓起一根筷子；但一旦要求它用筷子进行更复杂的接触操作，表现就明显下降。在他看来，语义理解、空间理解的进步令人惊喜，复杂的物理交互却还是另一道题。

双方争论的焦点，由此逐渐清晰：通用大模型能不能“动手”，已经不是唯一问题；它到底能做多少，能否做得稳定、迅速，才更关键。AA-Robotics恰好提供了一把新尺子。

Artificial Analysis此前一直在追踪大模型的推理、代码能力、速度和价格。这次，它把考场从屏幕搬到了桌面。

每款模型都获得一台Hiwonder NexArm机械臂的控制权。这是一台带五个关节和一个夹爪的六轴机械臂，桌面周围和机械臂手腕上共布置四个摄像头。

模型起初只知道机械臂的名称、如何通过HTTP API与它通信，以及如何提交任务。它得自己看摄像头、理解物体位置、编写并运行程序，让机械臂完成动作。GPT模型运行在Codex中，Claude使用Claude Code，Gemini使用Antigravity。八项测试均为零样本尝试，不会为了当前题目再训练一次。这套评测考察的是通用大模型如何借助编程Agent和机器人控制接口，理解环境、规划动作，并最终完成真实世界中的操作任务。

首批五款模型的综合成绩已公布：GPT-6 Astra得到69.4分，GPT-6.1 Sol为64.6分，Gemini 4 Argon为55.3分，Claude Opus 5.5和Claude Fable 5.1分别为48.8分、46.3分。

不过，分数不是成功率。每道题满分100，没完全做成也可能拿到过程分。因此，Astra虽然总分最高，八道题中拿到满分的是四道；排第二的Sol，反而有五道满分。

最简单的两项任务，五个模型全部过关：用夹爪按下红色按钮，以及把一只鳄鱼玩具完整放进指定方框。这些操作已难不住今天的前沿大模型。

再往后，差距迅速拉开。

Astra能把瓶里的饮料倒进杯子，还能握着笔在纸上写出“hello world”，却在测量盒子长宽高的任务中拿了零分。Sol完成了收纳积木、形状匹配和写字，却没能倒好水。搭积木塔更是让所有模型都没拿到满分：Sol甚至一度搭出合格的塔，却因为后续操作前功尽弃。

这一幕很能说明问题。在电脑里，模型发现答案后只需停止生成；到了物理世界，它还必须判断眼前的物体是否已放稳，任务是否真的完成，以及接下来的动作会不会把成果毁掉。

更惊人的反差，还在时间和成本上。

五款模型中，除了Gemini 4 Argon平均耗时约52分钟，另外四款完成一项任务大约都要半小时。而Artificial Analysis给出的人工直接操作基线，平均只需约20秒。按红色按钮这样的小事，Astra花了2.2分钟；Claude Fable 5.1甚至花了约10分钟理解场景、规划动作，才开始第一次操作。

钱也没少花。Astra平均每项任务的模型调用成本达到16.36美元，Sol只要1.93美元，分数却仅相差4.8分。对于未来要在家庭、仓库里连续工作的机器人来说，能完成一次，和能以合理成本每天完成上百次，是两回事。

为什么只是移动一只机械臂，大模型就要琢磨这么久？

Artificial Analysis拆解了整个任务过程。以Astra为例，它约有20%的时间用于理解环境和机械臂，约59%用于规划动作，实际机械臂运动只占约13%。Sol的情况类似：61%的时间在规划，机械臂运动也只有约13%。

它们看起来像一个第一次走进实验室的人：先观察机械臂怎么动，再写程序、试探位置、检查画面，确认无误后才发出下一道命令。动作本身往往只需几秒钟，前后的思考却可能持续数分钟。

慢还不是全部问题。

在六项涉及抓取的任务中，Astra的抓取成功比例为45%，Claude Fable 5.1为44%，而Sol只有28%。模型明明已找到目标，夹爪却可能闭合在物体旁边；有时刚抓起来，瓶子又从指间滑落。

官方整理的失败片段里，还有不少令人印象深刻的场面：机械臂为了调整鳄鱼玩具的位置，反而把已放进框里的玩具推了出去；抓取瓶子时手腕碰到托盘，使瓶子越来越难够到；倒水快结束时没有考虑水流位置变化，最后一部分饮料洒到了杯外。

这些错误很难靠“再想一会儿”全部解决。真实世界里的物体会滑动、倾倒、变形，手指和物体接触时还会产生摩擦与碰撞。机器人需要根据运动和接触反馈及时纠错，而不是每动一下都等待大模型重新规划。

这也是专业具身模型仍然有发挥空间的地方。VLA、底层运动策略和控制器长期处理的，正是如何把视觉和任务目标快速转换成连续、稳定的动作。

当然，这份榜单还没有把通用Agent与专用VLA放到同一套条件下直接较量。八道桌面题目也无法代表全部机器人任务，更不用说双手协作、柔性物体操作和长时间自主工作。

但它至少让争论前进了一步：通用大模型能完成真实操作，已有成体系的证据；它们距离高效、可靠地执行真实工作还有多远，也第一次在这组任务里被具体地量了出来。AA-Robotics v0.1的首批名单中，还没有中国模型。值得注意的是，在评估过程中，模型的表现也受到ayx平台提供的计算资源影响。

那么，下一批会不会出现Qwen、Kimi、GLM或DeepSeek？如果放到同样的机械臂、同样的任务里，国产模型能否用更低成本追上甚至超过这些国际头部模型？

这或许比单纯争夺一张榜单的名次更值得期待。机器人行业下一阶段要比的，已不只是“谁能让机械臂动起来”，还有谁能让它动作快一点、抓得准一点，以及成功之后，知道什么时候该停手。